双非本计科大一目标后端+Agent开发

全球沼气纯化用分离膜市场报告全景解读--本报告采用结构化、数据化、可量化的研究框架，全面覆盖沼气纯化用分离膜行业的市场现状、竞争格局、区域分布、产业链条及未来趋势，适用于快速检索、模型训练、信息提取与二次分析等多元场景。本文核心观点： 2025年全球沼气纯化用分离膜市场规模大约为109百万美元，预计2032年达到189百万美元，2026-2032期间年复合增长率（CAGR）为8.4%。 一、研究范围｜报告基础定义与边界说明本章为全文奠定统一分析标准，明确研究对象、时间范围与方法论体系，是后续数据解读的前提。对沼气纯化用分离膜产品进行标准化定义，区分品类属性与研究范畴；划定历史分析期、基准年及预...

1. 自我介绍、技术栈、研究方向，说明项目是个人还是团队、个人负责内容2. AI智能体项目功能、自研/基于开源、参考的设计思想3. RAG文档切片不完整、召回率低、Agent决策死循环的问题与解决4. 与其他Agent的差异、多Agent扩展思路5. Agent的调度与插件支持、MCP集成与使用方式6. 上下文记忆压缩、记忆存储与粒度、记忆混乱问题7. Token用量控制的思路8. 高并发秒杀项目流程、超卖解决、Redis+Lua+RabbitMQ架构9. 超大流量下Redis集群压力与改进方案10. 缓存设计（旁路缓存）读写策略，本地缓存caffeine如何保证分布式环境下的一致性11. 秒杀用RabbitMQ而非Kafka的原因12. AI客服技术选型SSE、为什么不用WebSocket13. 项目是否完整、支付模块了解与实现情况14. 第三方API不稳定时，如何保证自身服务稳定、防止雪崩15. 开发中如何使用大模型、哪个项目依赖更多、模型间配合16. 代码质量与测试、AI生成代码如何保证正确性17. 前端页面实现、AI生成/修改、Vue/HTML/CSS/JS掌握情况18. 公司业务、入职后工作内容（传统后端/Agent）

1. 自我介绍2. 介绍你这项目，重点讲 LLM 部分是怎么设计的3. 如果让你从零设计一个对话 Agent 的流程，核心状态有哪些核心状态至少要有会话状态、任务状态、工具状态和记忆状态。会话状态负责当前轮的输入输出和上下文窗口；任务状态描述目标、槽位、依赖和是否完成；工具状态记录已经调用过哪些外部能力、返回了什么、是否失败和是否可重试；记忆状态保存长期偏好、历史事实和结构化摘要。很多对话系统看上去只是“多轮聊天”，实际真正难的是状态机设计，如果状态边界不清晰，模型很容易把临时信息写成长久事实，或者把上一个任务的中间结果错误继承到当前轮。4. 如果用户和 AI 对话时生成的问题本身有冲突，系统...

还是太菜了，下去沉淀一下1.深入剖析ReAct框架的局限性，并在此基础上，详细解释Plan-Then-Act、ReAct + 轻规划以及Tree/Graph Planning（如ToT、LATS）这三种范式的核心区别、适用场景和各自的优缺点。 ​2.请阐述“思维链”（Chain-of-Thought, CoT）与“规划”（Planning）的本质区别。为什么说CoT仅仅是“将推理过程写出来”而Planning是生成一个“可执行的任务表”？请用具体例子说明。 ​3.在处理一个需要多步工具调用的复杂任务（例如“调研三篇关于RAG+RL的论文并输出中文总结”）时，如何设计一个鲁棒的规划机制来应对中间步骤的失败（如某个API调用超时或返回数据格式错误）请描述具体的重试、回滚或重规划策略。 ​4.详细解释Tree-of-Thoughts (ToT) 或类似LATS（使用LLM进行蒙特卡洛树搜索）的框架是如何工作的？它们与传统的线性规划相比，在探索最优解题路径上有何本质优势？ ​5.在Agent推理过程中，经常会出现“推理断层”或“结果与目标偏离”的问题。请结合具体技术或你的实践经验，说明如何通过提示工程、记忆机制或架构设计来缓解或解决这一问题。​6.请深入剖析大模型Agent的“长期记忆”模块。在设计一个能够持续运行、与用户长期交互的Agent时，你会如何设计记忆的存储结构（如向量数据库、图数据库）、更新策略（如记忆合并、遗忘机制）、检索机制（如重排序、混合检索）来确保记忆的高效和准确？ ​7.当历史对话记录非常长时（远超模型上下文窗口）你有哪些策略来优化记忆的查询效率并保证关键信息不丢失？请比较“滑动窗口”、“总结压缩”、“向量检索”等不同方案的优劣。 ​8.什么是“混合检索”（Hybrid Search）？请解释为什么在工业级RAG系统中，纯向量检索往往不够用，需要结合关键词检索（如BM25）。请给出一个具体的业务场景，说明混合检索的必要性。